論文の概要: Learning unbiased group-wise registration (LUGR) and joint segmentation: evaluation on longitudinal diffusion MRI

• arxiv url: http://arxiv.org/abs/2011.01869v2
• Date: Wed, 24 Feb 2021 09:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 04:28:38.693149
• Title: Learning unbiased group-wise registration (LUGR) and joint segmentation: evaluation on longitudinal diffusion MRI
• Title（参考訳）: LUGR(Learning Unbiased Group-wise registration)とジョイントセグメンテーション--縦断拡散MRIによる評価
• Authors: Bo Li, Wiro J. Niessen, Stefan Klein, M. Arfan Ikram, Meike W. Vernooij, Esther E. Bron
• Abstract要約: グループワイド登録のための非バイアス学習戦略に基づく分析フレームワークを提案する。 提案したフレームワークは、一貫したセグメンテーションと、ペアワイズ固定参照アプローチよりも処理バイアスが著しく低い。
• 参考スコア（独自算出の注目度）: 9.794231006970854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Analysis of longitudinal changes in imaging studies often involves both segmentation of structures of interest and registration of multiple timeframes. The accuracy of such analysis could benefit from a tailored framework that jointly optimizes both tasks to fully exploit the information available in the longitudinal data. Most learning-based registration algorithms, including joint optimization approaches, currently suffer from bias due to selection of a fixed reference frame and only support pairwise transformations. We here propose an analytical framework based on an unbiased learning strategy for group-wise registration that simultaneously registers images to the mean space of a group to obtain consistent segmentations. We evaluate the proposed method on longitudinal analysis of a white matter tract in a brain MRI dataset with 2-3 time-points for 3249 individuals, i.e., 8045 images in total. The reproducibility of the method is evaluated on test-retest data from 97 individuals. The results confirm that the implicit reference image is an average of the input image. In addition, the proposed framework leads to consistent segmentations and significantly lower processing bias than that of a pair-wise fixed-reference approach. This processing bias is even smaller than those obtained when translating segmentations by only one voxel, which can be attributed to subtle numerical instabilities and interpolation. Therefore, we postulate that the proposed mean-space learning strategy could be widely applied to learning-based registration tasks. In addition, this group-wise framework introduces a novel way for learning-based longitudinal studies by direct construction of an unbiased within-subject template and allowing reliable and efficient analysis of spatio-temporal imaging biomarkers.
• Abstract（参考訳）: 画像研究における経時的変化の分析は、しばしば興味のある構造のセグメンテーションと複数の時間枠の登録の両方を含む。 このような分析の精度は、両方のタスクを共同で最適化し、長手データで利用可能な情報を完全に活用する、調整されたフレームワークの恩恵を受けることができる。 ジョイント最適化手法を含む学習ベースの登録アルゴリズムの多くは、現在固定参照フレームの選択によるバイアスに苦しんでおり、ペアワイズ変換のみをサポートしている。 本稿では,群の平均空間に画像を同時に登録して一貫したセグメンテーションを得るグループ単位登録のための非バイアス学習戦略に基づく分析フレームワークを提案する。 提案手法は,3249人,すなわち8045画像の2～3つの時間点を持つ脳MRIデータセットにおいて,白質領域の経時的解析を行う。 この方法の再現性は、97人のテスト・リテストデータに基づいて評価される。 その結果、暗黙参照画像が入力画像の平均であることを確認する。 さらに,提案フレームワークは,ペアワイズ固定参照アプローチよりも,一貫したセグメンテーションと処理バイアスを著しく低減させる。 この処理バイアスは、1つのボクセルでセグメンテーションを翻訳する際に得られるものよりもさらに小さく、微妙な数値不安定性と補間に起因する。 そこで,提案手法が学習ベース登録タスクに広く適用可能であることを仮定した。 さらに, このグループ的枠組みは, 非偏りのあるイントラサブジェクトテンプレートを直接構築し, 時空間イメージングバイオマーカーの信頼性と効率的な解析を可能にすることで, 学習に基づく縦断研究の新たな方法を導入する。

関連論文リスト

• A Bayesian Approach to Weakly-supervised Laparoscopic Image Segmentation [1.9639956888747314]
  スパースアノテーションを用いた腹腔鏡下画像分割法について検討した。 本稿では,モデルのセグメンテーションの精度と解釈可能性を高めるために,ベイズ的深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T04:19:48Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Symmetrical Bidirectional Knowledge Alignment for Zero-Shot Sketch-Based Image Retrieval [69.46139774646308]
  本稿ではゼロショットスケッチベース画像検索(ZS-SBIR)の問題点について検討する。 目に見えないカテゴリのスケッチをクエリとして使用して、同じカテゴリのイメージにマッチさせることが目的だ。 ゼロショットスケッチに基づく画像検索(SBKA)のための新しい対称双方向知識アライメントを提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:50:34Z)
• Spatial Correspondence between Graph Neural Network-Segmented Images [1.807691213023136]
  医用画像分割のためのグラフニューラルネットワーク(GNN)が提案されている。 本研究は,空間対応を確立するための共通トポロジを用いて,これらのGNNのポテンシャルについて検討する。 CT画像における局所椎体サブリージョンの登録例を例に,GNNをベースとしたセグメンテーションが正確かつ信頼性の高いローカライゼーションを実現することを示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-03-12T03:25:01Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• An Embarrassingly Simple Consistency Regularization Method for Semi-Supervised Medical Image Segmentation [0.0]
  医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。 半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
  論文  参考訳（メタデータ） (2022-02-01T16:21:14Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Longitudinal diffusion MRI analysis using Segis-Net: a single-step deep-learning framework for simultaneous segmentation and registration [10.548643411475584]
  Segis-Netは、縦方向の画像分析のためのシングルステップディープラーニングフレームワークです。 高齢者3249名のn045縦型脳データから,segis-netを用いて白質路の解析を行った。
  論文  参考訳（メタデータ） (2020-12-28T13:48:21Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• MvMM-RegNet: A new image registration framework based on multivariate mixture model and neural network estimation [14.36896617430302]
  生成モデル(MvMM)とニューラルネットワーク推定に基づく新しい画像登録フレームワークを提案する。 外観と解剖情報を一体化した生成モデルを構築し、グループ登録が可能な新規な損失関数を導出する。 マルチモーダル心画像への様々な応用のためのフレームワークの汎用性を強調した。
  論文  参考訳（メタデータ） (2020-06-28T11:19:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。